- Управление трафиком с помощью социального робота-гуманоида (arXiv)
Автор:Фейсал Гаффар
Аннотация. С развитием таких технологий, как искусственный интеллект, машинное обучение и Интернет вещей, стало легко разрабатывать больше роботов-гуманоидов и автоматизировать различные процессы. Интерактивный робот должен иметь высокое социальное поведение, чтобы его могли легко принять люди, использующие его. В этом исследовании мы разработали робота дорожной полиции (TRAPROB) для автоматизации управления движением на перекрестке. Полицейский-человек испытывает сильный стресс из-за долгих часов работы, а также подвергает опасности несчастные случаи. Цифровые электронные сигналы автоматические, но мы хотим создать систему, более человечную и похожую на офицера, контролирующего движение на перекрестке. В этом исследовании мы использовали робота Thiago++ и изменили его внешний вид, чтобы он был похож на полицейского, а затем запрограммировали его, чтобы он имитировал и делал жесты так же, как жесты дорожного полицейского для управления движением. Мы оценили внешний вид, жесты, функциональность и социальное поведение робота. Мы попросили ограниченную выборку из двух участников идентифицировать TRAPBOT, оценить его внешний вид, социальное поведение и жесты в сравнении с реальным полицейским. мы обнаружили, что люди могут идентифицировать робота как робота дорожной полиции. Наш анализ также показывает, что TRAPBOT внешне похож на дорожного робота и может делать такие же сигнальные жесты, как и сотрудник ГИБДД.
2.Машинное обучение: алгоритмы, модели и приложения (arXiv)
Автор:Джайдип Сен, Сидра Мехтаб, Раждип Сен, Абхишек Дутта, Пуджа Кхерва, Сахил Ахмед, Пранай Берри, Сахил Курана, Сонали Сингх, Дэвид В. В. Кадотт, Дэвид В. Андерсон, Калум Дж. Ост, Рэйчел С. Акинбо, Оладунни А. Дарамола, Бонгс Лайнджо
Аннотация: В последнее время наблюдается быстрое развитие систем алгоритмов машинного обучения, особенно в обучении с подкреплением, обработке естественного языка, компьютерном и роботизированном зрении, обработке изображений, речи, а также обработке и понимании эмоций. В соответствии с растущей важностью и актуальностью моделей машинного обучения, алгоритмов и их приложений, а также с появлением более инновационных вариантов использования глубокого обучения и искусственного интеллекта, в текущем томе представлены несколько инновационных исследовательских работ и их применение в реальном мире. , такие как торговля акциями, медицинские системы и системы здравоохранения, а также автоматизация программного обеспечения. В главах книги показано, как разрабатываются, оптимизируются и развертываются алгоритмы и модели машинного и глубокого обучения. Том будет полезен аспирантам и докторантам, исследователям, преподавателям университетов, практикующим специалистам по данным и инженерам данных, специалистам и консультантам, работающим в широких областях машинного обучения, глубокого обучения и искусственного интеллекта.
3. Обучение двухруких противоборствующих роботов (arXiv)
Автор:Эли Альджабут
Аннотация . Обучение роботов — очень многообещающая тема для будущего автоматизации и искусственного интеллекта. Будущие роботы должны иметь возможность автономно приобретать навыки, учиться представлять свою среду и взаимодействовать с ней. В то время как эти темы были изучены в моделировании, реальные исследования обучения роботов, по-видимому, все еще ограничены. Это связано с дополнительными проблемами, возникающими в реальном мире, такими как шумные датчики и приводы, безопасное исследование, нестационарная динамика, автономная перезагрузка среды, а также стоимость проведения экспериментов в течение длительных периодов времени. Если мы не разработаем масштабируемые решения этих проблем, изучение сложных задач, связанных с зрительно-моторной координацией и богатыми контактами, останется нетронутым видением, которое возможно только в контролируемых лабораторных условиях. Мы предлагаем установки с двумя руками в качестве платформ для обучения роботов. Такие настройки позволяют безопасно собирать данные для приобретения навыков манипулирования, а также обучать модули восприятия под контролем робота. Они также облегчают процессы сброса среды. Кроме того, состязательное обучение потенциально может повысить обобщающую способность методов обучения роботов за счет максимального исследования, основанного на теоретико-игровых целях, при обеспечении безопасности на основе совместных задач. В этой статье мы обсудим потенциальные преимущества этой установки, а также проблемы и направления исследований, которые могут быть продолжены.
4.Coinbot: интеллектуальное роботизированное управление мешком для монет с использованием глубокого обучения с подкреплением и машинного обучения (arXiv)
Автор :Алексей Гонноченко, Александр Семочкин, Дмитрий Егоров, Дмитрий Статовой, Сейедхасан Забихифар, Алексей Постников, Елена Селиверстова, Али Заиди, Джейсон Стеммлер, Кевин Лимкрайлассири
Аннотация: Учитывая трудоемкость перемещения тяжелых мешков с физической валютой в кассовом центре банка, существует большая потребность в обучении и развертывании безопасных автономных систем, способных выполнять такие задачи в совместном рабочем пространстве. Однако деформируемые свойства мешка наряду с большим количеством твердых монет, содержащихся в нем, значительно усложняют обнаружение, захват и манипулирование мешком роботизированным захватом и рукой. В этой статье мы применяем методы глубокого обучения с подкреплением и машинного обучения к задаче управления совместным роботом для автоматизации выгрузки мешков с монетами из тележки. Для выполнения специфического процесса захвата гибких материалов, таких как мешочки для монет, где центр масс изменяется во время манипулирования, в моделировании был реализован специальный захват, который был разработан на физическом оборудовании. Используя камеру глубины и обнаружение объектов с помощью глубокого обучения, было выполнено обнаружение сумки и оценка позы для выбора оптимальной точки захвата. Был внедрен интеллектуальный подход, основанный на глубоком обучении с подкреплением, чтобы предложить наилучшую конфигурацию рабочего органа робота для максимального успешного захвата. Ускоренное планирование движения используется для увеличения скорости планирования движения во время работы робота. Реальные испытания предлагаемого конвейера продемонстрировали более 96% успеха в реальных условиях.
5. Цикл разработки автоматизированного самоисследования поведения роботов (arXiv)
Автор:Томас М. Рёр, Даниэль Харнак, Хендрик Вёрле, Феликс Вибе, Мориц Шиллинг, Оскар Лима, Мальте Лангош, Шивеш Кумар. , Сирко Штраубе, Фрэнк Киршнер
Аннотация: в этой статье мы представляем Q-Rock, цикл разработки для автоматизированного самоисследования и оценки поведения роботов. С Q-Rock мы предлагаем новый комплексный подход к автоматизации процессов разработки роботов. Q-Rock сочетает в себе несколько методов машинного обучения и рассуждений, чтобы справиться с возрастающей сложностью проектирования робототехнических систем. Цикл разработки Q-Rock состоит из трех взаимодополняющих процессов: (1) автоматизированное исследование возможностей, предоставляемых данным роботизированным оборудованием, (2) классификация и семантическая аннотация этих возможностей для создания более сложных моделей поведения и (3) сопоставление требований приложений. и доступное поведение. Эти процессы основаны на графическом представлении структуры робота, включая аппаратные и программные компоненты. Центральная масштабируемая база знаний обеспечивает совместную работу разработчиков роботов, включая инженеров-механиков, электриков и системщиков, разработчиков программного обеспечения и экспертов по машинному обучению. В этой статье мы формализуем интегративный цикл разработки Q-Rock и подчеркнем его преимущества с реализацией проверки концепции и демонстрацией вариантов использования.
